Alles im Flow im Reifenlager
Optimierte Logistik im Reifenhandel mittels KI-basierter Bilderkennung
Autoreifen sind ein riesiger Markt. Das war uns nicht wirklich bewusst, bis wir im Auftrag der Delticom AG eine Reifenerkennung entwickelt haben. Wenn man darüber nachdenkt, ist es aber eigentlich klar: Autos sind Massenware und global zu einem hohen Grad normiert, insbesondere die Reifen. Gleichzeitig sind letztere Verschleißware und müssen regelmäßig ausgetauscht werden. So vorteilhaft dieser Umstand für Reifenhändler sein mag, es stellt sie zugleich vor große logistische Herausforderungen.
Das Problem
In den Lagern größerer Reifenhändler werden Autoreifen täglich zu tausenden umgesetzt: Einzelne Reifen oder Reifensätze gehen an Endkunden, größere Chargen an Autohäuser oder Werkstätten und ganze LKW-Ladungen von den Reifenherstellern in den Wareneingang. Sowohl im Wareneingang als auch im Warenausgang passieren Fehler. Beispielsweise geht die falsche Größe an den Endkunden und wird retourniert. Oder der Hersteller schickt Reifen, die schon so lange in der Fabrik lagen, dass der Händler sie kaum mehr als neu verkaufen kann. Solche Probleme kosten Geld und schmälern den Gewinn in einer hart umkämpften Branche.
Unsere Lösung
Diese und andere Probleme lassen sich durch eine Überprüfung der aufgedruckten Kennzahlen verhindern. Das ist allerdings sehr viel schwieriger, als es vielleicht klingt. Zum einen liegt das daran, dass die Kenngrößen meist nicht aufgedruckt, sondern vulkanisiert sind. Entsprechend ist die Schrift schwarz auf schwarzem Hintergrund. Sie hebt sich lediglich durch ihr Höhenprofil ab.
Außerdem sind einige wichtige Kenngrößen nur sehr klein auf dem Reifen zu finden und die Hersteller vollkommen frei darin, wo und wie sie die Kenngrößen auf dem Reifen platzieren.
Um die genannten Probleme zu lösen, haben wir in die methodische Trickkiste gegriffen. Da die Schrift irgendwo auf dem Reifen stehen kann und die Reifen zudem rund sind (da gibt es kein links oder rechts mehr), mussten wir die gewohnte OCR-Architektur um zwei Komponenten erweitern: Die Lokalisierung und Segmentierung des Gesamtreifens und das Abrollen der Reifenflanke. Zudem haben wir die Technologie zur Lokalisierung der einzelnen Textfelder auf der Reifenflanke optimiert.
Als Ergebnis konnten wir damit eine Lösung entwickeln, die Reifenkennzahlen selbst unter schwierigen Bedingungen ausliest. Und das mit einer Qualität, die auch in diesem Segment neue Standards setzt. Gemeinsam mit der Delticom AG konnten wir die Reifenerkennung erfolgreich am Markt etablieren. Heute ist sie in zahlreichen Reifenlagern und Werkstätten im Einsatz.
Genauigkeit: ~97%
Schnelligkeit: ~1 Sekunde pro Bild
Ausgabe: pro Feld ausgelesener Text
+ Wahrscheinlichkeit
Verwendete Technologien:
CNN, UNet, nichtlineare Koordinatentransformation, Attention, Object Detection, Bidirectional LSTM, CTC, Beam Search